研究了水电系统的短期调度问题。目标是以经济和安全的方式满足日常能源需求。考虑了机组的个体性及其效率曲线的非线性。数学模型是一个动态的、混合整数的、非线性的、非凸的、组合的、多目标的优化问题。我们用元启发式方法提出了两种求解方法。它们将遗传算法与强度帕累托进化算法和蚁群算法相结合。这两种方法都分为两个阶段。在第一种方法中,为了使电厂的净发电量最大化,需要对一天中的每小时进行求解(静态调度)。在第二阶段,为了尽量减少机组的开关,将一天作为一个整体考虑(动态调度)。提出的方法被应用于巴西的两座水电站,这两座水电站属于国家互联系统。 The nondominated solutions from both approaches are presented. All of them meet demand respecting the physical, electrical, and hydraulic constraints.
巴西发电系统主要是水电。该系统的操作规划/调度分为三个阶段:长期,中期和短期。在长期期间,每月时间阶跃长达五年。在这个阶段,植物被子系统分组。在中期,地平线最多一年,每月或每周时间步。在这个阶段,植物是单独治疗的。在短期内,Horizo n长达两周,每小时时间步。在该阶段,考虑植物的产生单元(GUS),并考虑物理,电气和液压方面。GyD.F4y2Ba
在短期阶段内是GUS的最佳动态调度(奇数),这是本文的重点。它包括确定每一天的每小时,哪些单位应该运行并产生它们的发电水平。目标是满足能源需求,最佳利用可用的水资源,降低GUS的维护成本。GyD.F4y2Ba
有两个方程对GUs的ODD很重要:水力平衡和生产函数,Hidalgo等人[GyD.F4y2Ba
可用水资源的最佳使用与工厂的有效操作有关。yi等人。[GyD.F4y2Ba
GUS的维护成本在操作期间的初创性和关闭的数量受到影响。估计单位的每个开关接通均可将其使用寿命减少约10至15小时,Nilsson等人。[GyD.F4y2Ba
如图所示,一般来说,ODD问题有两个主要目标:增加植物的净发电量和减少GUs状态改变的次数。与此问题相关的系统约束包括满足负载需求,并尊重物理、电气和液压约束。它有离散变量用于选择GUs,有连续变量用于每个在线GU的负荷调度。水电厂的生产函数和机组的效率曲线是非线性的。ODD问题通常是非凸的。这个问题的组合性质使它更加复杂。GyD.F4y2Ba
已经应用人工智能技术来解决奇数的类似问题。桑托斯和ohishi [GyD.F4y2Ba
本文介绍了开发的两个成交学方法,以解决GUS的奇数问题。它们基于GA,强度帕累托进化算法(SPEA)和ACO。GA用于创建和多样化解决方案的搜索空间。使用SPEA来选择接近帕累托前沿的解决方案。ACO应用于使用蚂蚁累积的经验来探索搜索空间。GyD.F4y2Ba
该研究的研究对象是两家在级联运营的巴西水力发电厂:jupiá(GyD.F4y2Ba
研究对象图解:Jupiá和普里马韦拉水电站。GyD.F4y2Ba
Jupiá是一个河流发电厂,装机容量1551兆瓦,发电量14格斯。Jupiá电站的前12台机组接440 kV母线,后2台机组接138 kV母线。大坝长5495米,水库长330公里GyD.F4y2Ba2GyD.F4y2Ba。GyD.F4y2Ba
普里马韦拉港有一个小的存储容量,618 hmGyD.F4y2Ba3.GyD.F4y2Ba。因此,它被作为河流厂操作。Porto Primavera Plant有1,540兆瓦的安装功率和14 Gus。所有这些都连接到440 kV母线。这座大坝是巴西最大的大坝,长10,186.20米长,水库是2,250公里GyD.F4y2Ba2GyD.F4y2Ba。GyD.F4y2Ba
对于Jupiá工厂,GUS 1,3,5,6,7,8,9,11,12和14的操作范围为25-110.8兆瓦;顾2范围是40-110.8兆瓦;顾4只能运行100兆瓦。GUS 10和13范围是50-100 MW。对于Porto Primavera工厂,所有GUS都具有相同的操作限制:下部是30兆瓦,上部是110 MW。GyD.F4y2Ba
GUS的特征曲线由第四度多项式表示。它们使头部= 20米的效率和功率相关。桌子GyD.F4y2Ba
每宫,朱氏植物的第四度多项式的系数。GyD.F4y2Ba
| 顾GyD.F4y2Ba |
|
|
|
|
|
|---|---|---|---|---|---|
| 01GyD.F4y2Ba |
|
|
|
|
|
| 02GyD.F4y2Ba |
|
|
|
|
|
| 03GyD.F4y2Ba |
|
|
|
|
|
| 04GyD.F4y2Ba |
|
|
|
|
|
| 05GyD.F4y2Ba |
|
|
|
|
|
| 06GyD.F4y2Ba |
|
|
|
|
|
| 07GyD.F4y2Ba |
|
|
|
|
|
| 08GyD.F4y2Ba |
|
|
|
|
|
| 09GyD.F4y2Ba |
|
|
|
|
|
| 10GyD.F4y2Ba |
|
|
|
|
|
| 11GyD.F4y2Ba |
|
|
|
|
|
| 12GyD.F4y2Ba |
|
|
|
|
|
| 13GyD.F4y2Ba |
|
|
|
|
|
| 14GyD.F4y2Ba |
|
|
|
|
|
各谷的四次多项式系数,波尔图春华植物。GyD.F4y2Ba
| 顾GyD.F4y2Ba |
|
|
|
|
|
|---|---|---|---|---|---|
| 01GyD.F4y2Ba |
|
|
|
|
|
| 02GyD.F4y2Ba |
|
|
|
|
|
| 03GyD.F4y2Ba |
|
|
|
|
|
| 04GyD.F4y2Ba |
|
|
|
|
|
| 05GyD.F4y2Ba |
|
|
|
|
|
| 06GyD.F4y2Ba |
|
|
|
|
|
| 07GyD.F4y2Ba |
|
|
|
|
|
| 08GyD.F4y2Ba |
|
|
|
|
|
| 09GyD.F4y2Ba |
|
|
|
|
|
| 10GyD.F4y2Ba |
|
|
|
|
|
| 11GyD.F4y2Ba |
|
|
|
|
|
| 12GyD.F4y2Ba |
|
|
|
|
|
| 13GyD.F4y2Ba |
|
|
|
|
|
| 14GyD.F4y2Ba |
|
|
|
|
|
所提出的优化模型包括两个冲突的目标。它们是(1)最大化工厂的总净生成和(2)最小化GUS状态改变的次数。Jupiá和波尔图Primavera是单独优化的,因为它们被运营为河流植物:GyD.F4y2Ba
对于每个时间段,优化受以下约束。不平等(GyD.F4y2Ba
模型的整数和连续变量用完整性约束表示(GyD.F4y2Ba
我们提出了两种解决方案策略,使用了甲型培育方法。第一个结合了Ga,荷兰[GyD.F4y2Ba
求解策略(GA + SPEA)和(GA + ACO)。GyD.F4y2Ba
| 方法1GyD.F4y2Ba | 方法2GyD.F4y2Ba | 目标GyD.F4y2Ba | 派遣GyD.F4y2Ba | |
|---|---|---|---|---|
| GA + SPEA.GyD.F4y2Ba | GA + ACO.GyD.F4y2Ba | 阶段1GyD.F4y2Ba | 最大植物的一代GyD.F4y2Ba | 静态(每小时)GyD.F4y2Ba |
| 阶段2GyD.F4y2Ba | 最大植物的一代GyD.F4y2Ba |
动态(全天)GyD.F4y2Ba |
这两种方法都分为两个阶段。在第1阶段,为了利用GA最大化工厂的净净生成,问题是一天中的每小时(静态调度)的问题。由此产生的人口包括一组包含一天中每小时派遣解决方案的个人。这些解决方案随机组合以构成初始阶段的初始群体的个体。GyD.F4y2Ba
对于第一种方法,2阶段使用SPEA。在我们的问题中,这种多目标算法在最大化工厂的净生成和最小化GUS的开关之间搜索权衡。这一天被认为是一个整体(动态派遣)。因此,算法在外部存档中保存了Nondomination Solutive。GyD.F4y2Ba
对于第二种方法,ACO在第二阶段使用。蚂蚁利用自身积累的经验开拓搜索空间。该方法将动态调度问题作为最小代价路径问题来求解。这个阶段的主要目标是使用状态转换规则最小化GUs的开关。由于搜索空间由第1阶段的次最优解组成,因此也考虑了第一个目标函数。采用权衡曲线对两个目标函数同时进行处理。GyD.F4y2Ba
根据文献选择的遗传算法、SPEA和ACO的参数如表所示GyD.F4y2Ba
算法参数:遗传算法、SPEA算法和蚁群算法。GyD.F4y2Ba
| GA.GyD.F4y2Ba | GA + SPEA.GyD.F4y2Ba | ACO.GyD.F4y2Ba | |||
|---|---|---|---|---|---|
| 选择GyD.F4y2Ba | 轮盘赌GyD.F4y2Ba | 选择GyD.F4y2Ba | 精英主义GyD.F4y2Ba |
|
2GyD.F4y2Ba |
| 交叉GyD.F4y2Ba | 一点GyD.F4y2Ba | 交叉GyD.F4y2Ba | 一点GyD.F4y2Ba |
|
5.GyD.F4y2Ba |
| 交叉汇率GyD.F4y2Ba | 0.9GyD.F4y2Ba | 十字架。率GyD.F4y2Ba | 0.9GyD.F4y2Ba | 信息素GyD.F4y2Ba | 0.0001GyD.F4y2Ba |
| 突变GyD.F4y2Ba | 反转GyD.F4y2Ba | 突变GyD.F4y2Ba | 反转GyD.F4y2Ba | evap。率GyD.F4y2Ba | 0.5GyD.F4y2Ba |
| mut。率GyD.F4y2Ba | 0.1GyD.F4y2Ba | mut。率GyD.F4y2Ba | 0.1GyD.F4y2Ba | 蚂蚁GyD.F4y2Ba | 2000年GyD.F4y2Ba |
| 个人GyD.F4y2Ba | One hundred.GyD.F4y2Ba | 个人GyD.F4y2Ba | One hundred.GyD.F4y2Ba | 迭代GyD.F4y2Ba | 50.GyD.F4y2Ba |
| 迭代GyD.F4y2Ba | 50.GyD.F4y2Ba | 迭代GyD.F4y2Ba | 50.GyD.F4y2Ba | -GyD.F4y2Ba | -GyD.F4y2Ba |
| -GyD.F4y2Ba | -GyD.F4y2Ba | ext。档案GyD.F4y2Ba | 40GyD.F4y2Ba | -GyD.F4y2Ba | -GyD.F4y2Ba |
我们使用GA + SPEA和GA + ACO方法对Jupiá和Porto Primavera工厂进行案例研究至2012年11月02日和2013年1月16日(由拥有工厂特许经营权的公司选择)。总共有8个案例研究,分为框架I、II、III和IV。GyD.F4y2Ba
对于所有研究,净代至少满足需求;满足物理,电气和液压约束。桌子GyD.F4y2Ba
第02/11/21/2012天的案例研究结果。GyD.F4y2Ba
| 解决方案GyD.F4y2Ba | jupiá(框架i)GyD.F4y2Ba | Porto Primavera(框架II)GyD.F4y2Ba | ||||||
|---|---|---|---|---|---|---|---|---|
| GA + SPEA.GyD.F4y2Ba | GA + ACO.GyD.F4y2Ba | GA + SPEA.GyD.F4y2Ba | GA + ACO.GyD.F4y2Ba | |||||
| #GyD.F4y2Ba |
一代GyD.F4y2Ba |
#GyD.F4y2Ba |
一代GyD.F4y2Ba |
#GyD.F4y2Ba |
一代GyD.F4y2Ba |
#GyD.F4y2Ba |
一代GyD.F4y2Ba |
|
| 1GyD.F4y2Ba |
|
|
|
|
|
|
|
|
| 2GyD.F4y2Ba | 3.GyD.F4y2Ba | 32626 .50GyD.F4y2Ba | 3.GyD.F4y2Ba | 32247 .92点GyD.F4y2Ba | 2GyD.F4y2Ba | 33,777.07GyD.F4y2Ba | 2GyD.F4y2Ba | 3219.96.GyD.F4y2Ba |
| 3.GyD.F4y2Ba | 4.GyD.F4y2Ba | 32,970.51.GyD.F4y2Ba | 5.GyD.F4y2Ba | 32,324.27GyD.F4y2Ba | -GyD.F4y2Ba | -GyD.F4y2Ba | 4.GyD.F4y2Ba | 33,313.23GyD.F4y2Ba |
| 4.GyD.F4y2Ba | 5.GyD.F4y2Ba | 32,976.89.GyD.F4y2Ba | -GyD.F4y2Ba | -GyD.F4y2Ba | -GyD.F4y2Ba | -GyD.F4y2Ba | -GyD.F4y2Ba | -GyD.F4y2Ba |
结果研究第01/16/16/2013天的案例研究。GyD.F4y2Ba
| 解决方案GyD.F4y2Ba | jupiá(框架III)GyD.F4y2Ba | 春港(第四帧)GyD.F4y2Ba | ||||||
|---|---|---|---|---|---|---|---|---|
| GA + SPEA.GyD.F4y2Ba | GA + ACO.GyD.F4y2Ba | GA + SPEA.GyD.F4y2Ba | GA + ACO.GyD.F4y2Ba | |||||
| #GyD.F4y2Ba |
一代GyD.F4y2Ba |
#GyD.F4y2Ba |
一代GyD.F4y2Ba |
#GyD.F4y2Ba |
一代GyD.F4y2Ba |
#GyD.F4y2Ba |
一代GyD.F4y2Ba |
|
| 1GyD.F4y2Ba |
|
|
|
|
|
|
|
|
| 2GyD.F4y2Ba | 12GyD.F4y2Ba | 31978 .13GyD.F4y2Ba | 6.GyD.F4y2Ba | 30463 .18GyD.F4y2Ba | -GyD.F4y2Ba | -GyD.F4y2Ba | 2GyD.F4y2Ba | 35187 .10GyD.F4y2Ba |
| 3.GyD.F4y2Ba | 14GyD.F4y2Ba | 31,986.00GyD.F4y2Ba | 9.GyD.F4y2Ba | 30,528.50GyD.F4y2Ba | -GyD.F4y2Ba | -GyD.F4y2Ba | -GyD.F4y2Ba | |
| 4.GyD.F4y2Ba | -GyD.F4y2Ba | -GyD.F4y2Ba | 10GyD.F4y2Ba | 30819 .07点GyD.F4y2Ba | ||||
结果越好,GUs的开关数越少,植株的总净发电量越高。可以只关注表的第一行(突出显示)来比较结果。GyD.F4y2Ba
在框架I中,GA + SPEA呈现出更好的结果,与GUS的初创性和关闭数量相关GyD.F4y2Ba
本文提出了优化水电系统动态调度的沟养方法。数学模型包括两个相互矛盾的目标。它被配制为动态,混合整数,非线性,非渗透性和组合优化问题。GyD.F4y2Ba
采用遗传算法、SPEA和蚁群算法的求解策略分为两个阶段。第一个解决了一天中每个小时的静态问题,以最大化电厂的总净发电量。第二阶段是在一天中每小时连接静态解决方案,设置动态调度。其目标是最大限度地提高电厂的总净发电量,并减少机组的启动和关闭次数。GyD.F4y2Ba
提出的方法被应用于两个梯级运行的水力发电厂:Jupiá和波尔图Primavera发电厂。对这两个工厂进行了为期两天的8个案例研究,比较了GA + SPEA和GA + ACO策略。GyD.F4y2Ba
对于本研究的案例研究,总体而言,GA + SPEA方法对于问题的两个目标函数都有较好的结果。这可以在框架I、II和IV中看到,其中GA + SPEA列中较高的净生成值和较低的初创和关闭数量。此外,总体而言,GA + SPEA在植物的净生成方面表现较好,GA + ACO在GU的开关通-关方面表现较好,如Frame III所示。这可能是因为,在第二阶段,SPEA以同时的方式处理问题的两个目标,因为它是一个多目标算法,而ACO专注于第二个目标,尽量减少GU的开关,尽管第一个目标也以抢先的方式考虑。GyD.F4y2Ba
总之,解决方案策略,GA + SPEA和GA + ACO,是解决水力发电厂短期运行中最佳动态调度的良好替代品。作为未来的工作,作者建议多次运行模型以收集表现力的案例研究。目标是在更大的样本中应用统计分析,以更准确的方式比较模型。GyD.F4y2Ba
提交人声明没有关于本文的出版物的利益冲突。GyD.F4y2Ba
这里报告的研究是由三个巴西政府机构和最大的发电公司之一支持的。他们是GyD.F4y2Ba